Ресурсы/введение новичка в алгоритмы классификации [закрыто

Question

все. Я совершенно новичок в теме алгоритмов классификации, и мне нужно несколько хороших указателей о том, с чего начать какое -то «серьезное чтение». Я сейчас нахожусь в процессе выяснения, могут ли машинное обучение и автоматические алгоритмы классификации быть полезным, чтобы добавить к моему применению.

Я уже отсканировал "Как это решить: современная эвристика" З. Михалевич и Д. Фогель (в частности, главы о линейных классификаторах с использованием нейрональных сетей), и на практической стороне я в настоящее время смотрю через Weka Toolkit исходный код. Моим следующим (запланированным) шагом было бы погрузиться в сферу алгоритмов классификации байесовского языка.

К сожалению, мне не хватает серьезной теоретической основы в этой области (не говоря уже о том, что он пока использовал ее каким -либо образом), поэтому любые намеки на то, где посмотреть дальше, будут оценены; В частности, хорошее введение доступных алгоритмов классификации было бы полезно. Быть скорее мастером и меньше теоретиком, тем более практичным, тем лучше ...

Намеки, кто -нибудь?

Answer 1

Я всегда нашел Учебники Эндрю Мура быть очень полезным. Они основаны на солидной статистической теории и будут очень полезны в понимании документов, если вы решите прочитать их в будущем. Вот краткое описание:

К ним относятся алгоритмы классификации, такие как деревья решений, нейронные сетки, байесовские классификаторы, векторные машины поддержки и обучение на основе CASE (он же непараметрическое). Они включают алгоритмы регрессии, такие как многомерная полиномиальная регрессия, Марс, местная регрессия, GMDH и нейронные сети. И они включают в себя другие операции по счетам данных, такие как кластеризация (модели смесей, K-средние и иерархические), байесовские сети и обучение подкреплению

Answer 2

А Ответ, ссылаясь на учебные пособия Эндрю Мура, хороший. Анкет Однако я хотел бы увеличить его, предложив некоторое чтение о необходимости, которая в первую очередь способствует созданию многих систем классификации: выявление причинно -следственных связей. Это имеет отношение ко многим проблемам моделирования, связанных с статистическим выводом.

Лучший текущий ресурс, который я знаю для изучения причинности и систем классификаторов (особенно байесовских классификаторов), - это Книга Judea Pearl «Причинность: модели, рассуждения и вывод».

Answer 3

Обзор машинного обучения

Чтобы получить хороший обзор этой области, посмотрите видео -лекции Курс машинного обучения Эндрю Нг.

Этот курс (CS229) - преподанный профессором Эндрю Нг - обеспечивает широкое введение в машинное обучение и статистическое распознавание моделей. Темы включают контролируемое обучение, неконтролируемое обучение, теорию обучения, обучение подкрепления и адаптивный контроль. Также обсуждаются недавние приложения машинного обучения, например, к роботизированному контролю, интеллектуальному анализу данных, автономной навигации, биоинформатике, распознаванию речи, а также обработке текстовых и веб -данных.

Классификаторы

Что касается того, какого классификатора вы должны использовать, я бы порекомендовал сначала начать с Поддержка векторных машин (SVM) Для общих прикладных задач классификации. Они дадут вам современную работу, и вам не нужно понимать всю теорию, стоящую за ними, чтобы просто использовать реализацию, предоставленную пакетом, таким как Weka.

Если у вас более крупный набор данных, вы можете попробовать использовать Случайные леса. Анкет Есть также реализация этого алгоритма в Века, и они тренируются намного быстрее на больших данных. Несмотря на то, что они менее широко используются, чем SVM, их точность имеет тенденцию соответствовать или почти соответствует точке, которую вы можете получить от одного.